差分演化算法中种群多样性的自主增强技术研究及其在高光谱遥感图像分类中的应用

The population diversity is the decisive factor in the differential evolution (DE) algorithm to search the global optimal solution, especially for DE on the high-dimension and multimodal problems. For the hyperspectral remote sensing image classification, which is a high-dimension and multimodal optimization problem, it needs to improve the accuracy of classification results, because high-precision remote sensing image classification is an important prerequisite of a variety of practical remote sensing applications. To enhance the performance of DE algorithms, in this project, we will study the self-enhanced population diversity and apply it into the DE algorithm. The improved DE algorithm can automatically identify the moment, which is the time that the population diversity needs to be enhanced, when the population diversity is poor or the population stagnates, by analyzing the evolutionary process and the distribution of population. When the moment is identified, the population will be regenerated to enhance its diversity or to eliminate the stagnation issue. The location and scope of the new population distribution can be automatically determined. The self-enhanced population diversity can improve the DE algorithms' performance of global optimization, especially for the optimization of high-dimension and multimodal problems. We will apply the improved DE algorithm to solve the problem of hypersepctral remote sensing image classification and improve the accuracy of classification results, which would be helpful to advance the technologies of processing the remote sensing information and their applications in national economy. The self-enhanced population diversity can be widely applied to many kinds of evolutionary algorithms besides the DE algorithm. Thus, we believe that our research can develop the DE algorithm and its applications in real-world problems.

种群多样性是差分演化算法能够搜索到全局最优解的决定性因素，对于高维多峰优化问题，其影响更加显著。针对高光谱遥感图像分类这类高维多峰优化问题，现有算法的分类精度有待提高，而高精度的分类结果是实现遥感信息后续实际应用的前提。本项目对差分演化算法中的种群多样性进行研究，设计一种基于种群多样性自主增强技术的差分演化算法。这种算法通过分析种群的进化过程和分布状态来判断种群是否多样性缺失或进化停滞，自主确定种群多样性增强的时机及新种群分布的位置和范围，进而生成新种群来增强种群的多样性，消除种群进化停滞现象，提高其对于高维多峰优化问题的全局寻优能力；将此算法应用到高光谱遥感图像分类问题中，提高分类结果的精度，促进遥感信息处理技术的发展及其在国民经济中的应用。除了差分演化算法，种群多样性的自主增强技术还可以广泛地应用到其它演化算法中。因而本项目的研究具有重要的理论意义和应用价值。

本项目研究差分演化算法中种群多样性的自主增强技术，提高差分演化算法的全局寻优能力，并利用改进的差分演化算法对高光谱遥感图像进行分类。.本项目发现在演化过程中种群在不同变量维上的收敛特性是不同的。针对此实验发现，本项目提出了一种基于种群多样性自主增强技术的差分演化算法。该算法计算种群在每个变量维上的均值和标准差，并根据均值和标准差信息判断种群是否收敛或进化停滞。如果种群在某维上的标准差较小，那么表明种群中的个体在此维上的差异很小，多样性较差，进入收敛状态。针对某变量维，如果种群的分布（均值和标准差）连续多个演化迭代没有发生改变，那么判定种群在此维上进化停滞了。对于种群多样性缺失和进化停滞的维，本项目采用高斯模型重新生成种群在此维上的信息，增强种群的多样性，消除进化停滞。实验结果表明种群可以根据在演化过程中的信息进行自适应的调整，算法的全局寻优能力得到了增强。种群多样性的自主增强方法具有广泛的适用性，可以应用到采用种群优化的其它类型的演化算法中。.最小距离分类器通常采用p=2的范式计算样本间的距离。本项目将p值作为演化算法的个体编码，并以错分概率作为适应值函数。在训练阶段，采用基于种群多样性自主增强技术的差分演化算法对p值进行最小值优化，得到优化的p值；在测试阶段，采用优化得到的p值进行距离的计算，完成高光谱遥感图像的分类。实验结果表明改进的最小距离分类算法不受训练样本选取的影响，可以根据特定的样本集优化得到相应较优的p值，其性能稳定，提高了分类精度。优化p值并采用对应的范式计算距离的思想可应用到其它采用最小距离技术进行分类的算法中。